雙碳目標下我國電動汽車碳減排貢獻潛力分析

于霄宇，紀正森，嵇 靈，牛東曉，許曉敏

（1.華北電力大學經濟與管理學院，北京 102206；2.北京工業大學經濟與管理學院，北京 100124）

0 引言

面對能源供需格局新變化、國際能源發展新趨勢，國務院印發《2030 年前碳達峰行動方案》，倡議“運輸工具裝備低碳化轉型，大力推廣新能源汽車”[1]。電動汽車相較于傳統燃油汽車，在能源利用效率和碳減排領域更具優越性[2]。高質量發展電動汽車已成為我國向可再生能源為主導的能源系統轉型的重要路徑，同時也是推進實現雙碳目標進程的必然選擇[3]。因此，對我國電動汽車發展趨勢進行有效預測并分析其碳排放潛力，能夠為推動我國交通領域早日實現碳達峰提供研究依據。

近年來不斷有學者投入到電動汽車碳減排潛力分析的研究中。文獻[4]根據中國交通碳排放數據建立深度學習模型對交通運輸業碳排放進行預測。文獻[5]通過逆地理編碼、神經網絡等方法，對包括電動汽車在內的私家車碳排放量進行預測。文獻[6]考慮多因素影響對公路交通未來的碳排放量預測。文獻[7]基于碳達峰行動方案，對未來各類型汽車數量進行推算，建立了全生命周期下的汽車電動化碳排放測算模型。因此，可以看出當前碳排放測算研究中較少考慮電動汽車保有量的自身發展趨勢。目前，對于電動汽車保有量的預測研究多采用Bass 擴散模型[8-9]、灰色預測模型[10]、Logistic 生長曲線模型[11]等經典方法[12]，但相關研究未考慮影響因素對于電動汽車保有量發展的相關影響。然而，具有較快預測速度和較高擬合精度的最小二乘支持向量機（Least Squares Support Vector Machine，LSSVM）方法則能夠在預測過程中考慮多因素對于預測對象的影響[13]。但LSSVM 模型的參數設定問題是其充分發揮模型優勢、增強適用性的關鍵[14]。文獻[15]提出，黏菌算法（Slime Mould Algorithm，SMA）在不同搜索環境中具有良好表現，能夠對LSSVM 模型的參數設定進行有效優化。

因此，本文針對電動汽車碳減排潛力分析研究中所存在的問題，創新性地提出使用主成分分析法（Principal Component Analysis，PCA）進行數據降維的基于SMA 優化的LSSVM（PCA-SMA-LSSVM）模型對我國電動汽車保有量進行預測，并基于預測結果開展了不同情景下電動汽車駕駛階段碳減排潛力貢獻評估。研究不僅為電動汽車保有量的有效預測提供了新方法，還通過多情景預測分析得出激發電動汽車碳減排潛力的重要因素，這對于我國在交通運輸領域早日實現碳達峰目標有著一定指導意義。

1 研究框架與方法

本文基于PCA-SMA-LSSVM 電動汽車保有量預測模型的預測結果，探索對比不同情景下電動汽車的碳減排潛力。研究框架及具體步驟如圖1 所示。

圖1 研究框架圖Fig.1 Research framework and detailed procedure

1.1 PCA模型

PCA 能夠將許多具有相關性的數據進行重新組合為1 組表明各數據間相關性關系的指標，最大程度地保留原有數據集的信息，簡化后續計算步驟[16-18]。由于電動汽車保有量影響因素較多，且數據間存在相關性，因此本文選用PCA 對影響因素數據進行降維處理。其數學表達式如下：

式中：Yk為第k個主成分；ujk為指標協方差矩陣特征值所對應的第k個特征向量的第j個分量；Xj為樣本X經過標準化后的第j項指標。

1.2 SMA算法

SMA 算法的具體原理：覓食過程中，黏菌依據空氣中氣味濃度選擇是否接近食物，濃度越高，生物振蕩越強，細胞質流動越快，黏菌靜脈管越粗[19]。通過函數表達式來模擬其逼近行為，黏菌的位置更新用式（2）表示：

式中：xnew為黏菌的最新位置；ub，lb為搜索范圍的上、下界；rand和r為位于[0,1]內的隨機數；z為切換概率；vb為[-a,a]內的隨機數，a的取值算法見式（3）；vc為范圍在[0,1]間且線性趨近于0 的參數；t為當前迭代次數；xb為當前發現食物氣味濃度最高的位置；w為黏菌權重，計算方法見式（4）和式（5）；xm，xn分別為隨機選取的2 個黏菌位置；x為黏菌位置；p為最大極限，算法見式（6）。

參數a的函數表達式為:

式中：arctanh為反雙曲正切函數；maxt為最大迭代次數。

參數w的具體計算公式為:

式中：smellindex為通過sort 函數進行排序的適應度序列；bF為當前迭代過程中獲得的最佳適應度；wF為當前迭代過程中獲得的最差適應度；s(i)為黏菌個體的適應度的值；i為黏菌個體。

參數p的計算公式為：

式中：DF為迭代中所獲得的最佳適應度。

1.3 SMA-LSSVM模型

根據風險結構最小化原則[20]，LSSVM 的優化問題轉化為帶有等式約束條件目標函數:

式中：J為損失函數；ωT及ω為權值系數向量；γ為懲罰系數；eq為誤差向量；q為訓練次數；N為訓練樣本的數量。

式中：φ為核空間的非線性映射函數；mb和md為任意的2 個原始特征空間的樣本；b和d為任意正整數。

最終得到LSSVM 模型的擬合函數:

式中：y(m)為模型的擬合函數；m為原始特征空間的新樣本；l為樣本數量；ab為拉格朗日乘子，ab≥0；c為偏差向量。

LSSVM 預測模型中的懲罰參數和核參數的選擇會對預測精度造成較大影響[21]，因此文本選擇使用SMA 算法對LSSVM 預測模型中的懲罰參數和核參數進行優化，構建了基于SMA-LSSVM 的電動汽車預測模型，詳細優化流程如圖1 所示。

1.4 碳排放測算模型

由于本文研究對象為純電電動汽車，其碳排放量與電動汽車用電量、發電端能源結構、電網線損情況有關，因此為了對電動汽車的碳排放進行有效測算，需先對其行駛階段的用電量進行預測。本文使用平均用電量法對用電需求進行預測[22]，并充分考慮電動汽車保有量、行駛里程及每公里耗費電量等因素。模型具體公式如下：

式中：EDn為第n年電動汽車用電需求；QEVn為第n年電動汽車保有量；T為汽車年均行駛里程；P為電動汽車百公里電耗；η為電動汽車充電效率。

基于對用電需求的測算，本文構建了電動汽車行駛階段碳排放測算模型，具體公式如下所示：

式中：CEVn為第n年電動汽車碳排放量；EDn為第n年電動汽車用電需求；ΔP%為線損率；K為發電方式，K=1,2,3,4,5 時分別對應火電、水電、風電、太陽能發電、核電形式；Cn,K為第n年第K種發電方式的單位發電碳排放強度；φn,K為第n年第K種發電方式的發電量占總發電量的占比。

為了全面評估電動汽車行駛階段替代燃油汽車的碳減排效果，同時需要對燃油汽車的碳排放水平進行計算。

三是建立投入保障機制。推動服務型機關黨組織建設長效化，要重視完善固定的經費投入機制，從而保障培養服務意識、提升服務能力、開展服務工作、落實服務獎懲等各項制度的落地。黨組織工作經費要納入高校年度預算，要就服務群眾工作經費制定專項計劃，確保專項列支。要加大對服務群眾工作的各類資源和設施的建設和統籌，不斷完善硬件設施保障。

式中：CVn為第n年燃油汽車碳排放量；QVn為機動車保有量；f為碳排放折算因子，即燃油汽車行駛單位里程的碳排放量。

2 電動汽車保有量預測研究

2.1 基于PCA的電動汽車發展影響因素分析

為充分考慮多種因素對于電動汽車保有量發展趨勢的影響，本文從經濟、技術、基礎設施發展這3個方面分析得出9 個電動汽車保有量影響因素[23]，如表1 所示。

表1 影響因素Table 1 Influencing factors

對來源于國家統計局及中國統計年鑒的影響因素數據進行z-score 標準化處理，并進行PCA 降維分析。根據累積方差貢獻率法計算特征根累計方差解釋率[24-25]，得到特征根排名前3 位的主成分的累積方差解釋率達到99.292%。因此選擇將經PCA 處理后前3 個主成分得分數據作為模型輸入數據。

2.2 基于SMA-LSSVM模型的電動汽車保有量預測及模型對比

本文對2010—2022 年的相關數據集按照8:2 的比例分為訓練集和測試集，將其輸入到SMALSSVM 模型中，利用Matlab2019 進行試驗。為驗證SMA-LSSVM 模型的有效性，應用平均絕對百分比誤差（Mean Absolute Percentage Error，MAPE）、均方根誤差（Root Mean Square Error，RMSE）和平均絕對誤差（Mean Absolute Error，MAE）這3 個評價指標對預測精度進行比較[26]，其量值分別為EMAP，ERMS，EMA。計算方程式如下所示:

式中：N為樣本數；為第n年預測結果；yn為第n年的實際值。

由于2010—2015 年間我國電動汽車產業剛剛興起，電動汽車保有量較低，2010 年及2015 年的電動汽車保有量僅為當前保有量的0.015%及3.1%。較小的絕對誤差將會產生較大的相對誤差，該階段的預測精度指標參考價值較低，因此本文MAPE 指標的計算對象選擇設定為2016—2022 年間的預測數據。本文選擇了5 種基準模型作為對比，以證明本文提出的SMA-LSSVM 模型具有良好的預測效果。各模型預測精度評價指標值如表2所示。

表2 各模型預測精度對比Table 2 Comparison of prediction accuracy between models

從表2 可知，眾模型中SMA-LSSVM 的MAPE，RMSE，MAE 指標值均為最小，預測精度明顯優于其他各模型，因此可以認為該模型具有良好的預測效果。

2.3 2023—2030 年我國電動汽車保有量預測結果分析

根據本文所建立的PCA-SMA-LSSVM 模型，本文對2023—2030 年我國電動汽車保有量進行預測。具體預測結果數據如表3 所示。

表3 2023—2030年電動汽車保有量預測結果Table 3 Forecasting results of EV ownership from 2023 to 2030

結果顯示，2023—2025 年我國電動汽車發展快速，2025 年我國電動汽車保有量約為2022 年的3倍，達到4 409 萬輛。而這樣的快速發展趨勢將維持到2030 年，2030 年我國電動汽車保有量將達到9 059 萬輛，約為2025 年的2 倍。雖然我國電動汽車保有量將在2 030 前呈現快速增長態勢，然而該階段的后期增速將放緩。該增長趨勢較為符合未來的實際情況：前期電動汽車得到政府大力支持，相關產業技術應運而生，其保有量將迅速增加，而此后隨著我國碳達峰目標的逐步實現，政府支持力度逐漸減弱，相關產業技術發展逐漸走向成熟期，屆時電動汽車保有量將出現增速逐步放緩的趨勢。

3 多情景電力需求預測與碳減排潛力分析

3.1 情景設置

由于電動汽車作為汽車行駛階段碳減排的重要主體，電源結構是影響電動汽車碳排放水平的重要因素，電網結構直接影響電網輸送電能過程的效率水平。因此本文以電動汽車替代傳統燃油車的角度出發，針對電動汽車保有量、電源結構、電網結構（表現為線損率）這3 個影響電動汽車碳減排潛力的重要因素，設置了4 個電動汽車碳減排情景，以對比分析2030 年前我國電動汽車行駛階段碳減排潛力，探索碳達峰目標下通過電動汽車替代燃油汽車減少碳排放這一碳減排路徑的影響因素與前提條件。

1）基準情景：該情景假設汽車市場穩定發展，汽車保有量保持持續增長態勢，而電動汽車技術發展沒有實質性突破，公眾熱情和期望不高，電動汽車保有量、電源結構、電網結構維持當前狀態。該情景的設置為其他情景提供對比分析基準，以有效驗證各因素發展對電動汽車碳減排潛力的影響效果。

2）電動汽車發展情景：該情景在假設汽車市場穩定發展的同時，假設電動汽車按照前文預測的趨勢發展，我國電源結構與電網結構維持當前狀態。該情景的設定是為了分析我國電動汽車的積極發展為汽車行駛階段碳排放所帶來的影響。

3）電源結構優化情景：為充分考慮碳中和目標下新型電力系統發展建設將會推動未來電源結構優化，該情景在基于電動汽車快速發展的基礎上，假定可再生能源持續發展，電源結構得到有效優化，電網結構維持當前狀態。該情景的設定是為了分析我國在電動汽車積極發展的同時，電源結構優化為汽車行駛階段碳排放所帶來的積極影響。

4）電網結構優化情景：為綜合考慮新型電力系統發展為了促進新能源發電的消納將會促進電網結構優化，而電網結構優化將會有效降低線損率，因此該情景假設我國未來電網輸送電水平持續發展，線損率能夠穩步下降。該情景的設定是為了分析在電動汽車發展、電源結構、電網結構這3 個影響碳排放的重要環節共同發力情況下，汽車行駛階段電動汽車的碳減排潛力。

3.2 多情景下電力需求與碳排放水平預測

3.2.1 基準情景

基準情景下，假定預測期內中國汽車年平均行駛里程為13 000 km。燃油汽車行駛周期碳排放折算因子設定為0.132 kg/km（該值由燃油汽車的燃料消耗量和所用燃料的CO2轉換系數相乘得到）；電動汽車電耗設定為0.136 2 kWh/km，充電效率設為85%。以2022 年全國線路損失率4.74%為參考設定該場景線損率。同時，延續使用國家統計局發布的2022 年國民經濟和社會發展統計公報中2022年我國各類型電源發電量占總發電量比例作為該情景下電源結構數據，火電占比66.6%，水電占比15.3%，風電占比8.6%，太陽能發電占比4.8%，核電占比4.7%。各類電源CO2排放強度為：火電0.870 kg/kWh，水電0.004 kg/kWh，風電0.012 kg/kWh，太陽能發電0.048 kg/kWh，核電0.016 kg/kWh。選擇趨勢外推法對我國汽車保有量進行預測，假定預測期內中國汽車保有量以4%的增速增長。電動汽車保有量假設維持2022 年度水平1 045 萬輛?；诒厩榫跋聟翟O置，根據式（10）—式（12）計算得到我國汽車行駛階段CO2排放及電動汽車用電需求情況如表4所示。

表4 2023-2030年基準情景預測結果Table 4 Forecasting results of baseline scenario from 2023 to 2030

3.2.2 電動汽車發展情景

在電動汽車發展情景下，在情景1 的基礎上，假定電動汽車保有量將按照前文預測趨勢發展。計算得到我國汽車行駛階段CO2排放及電動汽車用電需求情況如表5 所示。

表5 2023—2030年電動汽車發展情景預測結果Table 5 Forecasting results of EV development scenarios from 2023 to 2030

3.2.3 電源結構優化情景

電源結構優化情景基于電動汽車發展情景的基礎上考慮我國電源結構的優化發展。該情景中，各類電源的發電占比參數設定參考中國能源研究會提供的2021 年周孝信院士對電源結構發展進行預測研究中2025 年及2030 年各類能源發電占比的估算結果。并假設2023—2025 年間和2025—2030 年間太陽能發電、風電、水電按照預期占比穩定發展，得到未來我國各類能源發電占比年度估算數據。具體設定如圖2 所示。

圖2 2023—2030年各類型能源發電占比Fig.2 The proportion of various types of energy power generation from 2023 to 2030

基于電源結構優化情景下的參數設置，計算得到我國汽車行駛階段CO2排放及電動汽車用電需求情況如表6 所示。

表6 2023—2030年電源結構優化情景預測結果Table 6 Forecasting results of optimization scenario for power source structure from 2023 to 2030

3.2.4 電網結構優化情景

在電網結構優化情景下，基于電源結構優化情景的基礎，考慮我國電網結構對線損率的降低，具體線損率的設定以2022 年全國線路損失率4.74%為基準，按照每年降低0.1%的速度降低。計算得到我國汽車行駛階段CO2排放情況如表7 所示。

表7 2023—2030年電網結構優化情景預測結果Table 7 Forecasting results of optimization scenario for power grid structure from 2023 to 2030

3.3 預測結果分析及政策建議

預測結果顯示，未來我國電動汽車保有量的增長將會帶來電力需求的增加。相較于基準場景，2030 年由于電動汽車保有量增長所帶來的新增用電需求將會達到1.669 3×1011kWh，相當于2022 年度我國全社會用電量的2%。由此可見，電動汽車的快速發展將會一定程度上增加我國電力需求，本文對2023—2030 年我國汽車駕駛階段各情景下碳排放預測結果進行匯總整理，具體如圖3 所示。以2030 年為例，電動汽車發展情景、電源優化情景、電網優化情景下CO2排放量相較基準場景分布降低了4.74%，7.30%，7.41%。由圖3 可以看出，電動汽車保有量的積極發展與電源結構的有效優化均對于汽車行駛階段碳排放量具有較好的降低效果，而電網優化情景僅比電源優化情景減少0.109%的碳排放，由此可見電網優化對于汽車行駛階段碳減排效果較低。此外，通過對各情景預測結果數據的整理得出，2023—2030 年間電動汽車發展場景相較于基準場景的累計碳減排量為1.688 2×108t，可以認為在碳達峰目標到來前電動汽車的積極發展具有較大碳減排潛力。

圖3 各情景下碳排放預測結果Fig.3 Forecasting results of carbon emission under various scenarios

基于對各情景下碳減排潛力測算結果的對比分析，本文為激發電動汽車碳減排潛力提出以下建議：（1）為充分發揮電動汽車碳減排潛力，需要各相關方面積極促進電動汽車產業發展，著力提升電動汽車的滲透率，擴大碳減排主體數量；（2）相關部門應加強充換電設施建設及布局優化，滿足日益增加的充電需求，并提升電動汽車充電效率；（3）持續優化我國電源結構及電網結構，促進清潔能源并網發展，通過降低電力供給中隱含的碳排放，進一步提升電動汽車的碳減排貢獻度。

4 結語

為分析2030 年我國碳達峰目標實現前，電動汽車對于汽車行駛階段的碳減排潛力，本文構建了PCA-SMA-LSSVM 模型對我國電動汽車保有量進行預測，經對比分析可知，該模型在電動汽車保有量預測中具有較高的準確性和有效性；同時構建了電動汽車用電需求預測模型與碳排放預測模型，對多情景下電動汽車用電需求及汽車行駛階段碳排放情況進行預測及對比分析，結果表明在電動汽車發展情景與電源結構優化情景下電動汽車具有較大碳減排潛力。

此外，本文在多情景設定方面存在一定局限性，未來研究將考慮更多影響因素對電動汽車碳減排的影響，對多情景分析環節進一步細化，豐富情景設定。